合理规模的MLOps

机器学习模型带动业务增长已经在头部企业（特别是大厂）得到成功认证。越来越多的企业都在增加人工智能，机器学习模型的投入，并将从模型训练逐渐过渡到模型部署与落地。因为只有将模型部署到生产中才能验证其对于业务的真正价值。

那么，人工智能团队将如何在实际生产中部署，维护与监控这些模型呢？

答案可能是MLOps。

什么是MLOps？

MLOps是DevOps的一种扩展，旨在可靠且高效地在生产，部署和维护机器学习模型。与DevOps方法类似，MLOps旨在加强自动化程度并提高模型的质量，同时也关注业务和监管要求。它是一个多学科的领域，存在于DevOps，机器学习，软件工程的交汇处。

2021年甚至被称为MLOps年，特别在美国诞生了许多相关工具与初创企业。MLOps涵盖内容也非常广泛，包括：

• 可重现和协调的数据管道，
• 模型运行监控与报错，
• 可溯源的模型版本控制，
• 可自动扩展的模型服务，
• 数据版本控制和数据沿袭，
• 特征值存储，等等。

对于一个现代化的MLOps生态系统，我们可以找到不少端对端（